智慧應用 影音
訂報
event

【中部產業月報】電子業產能爆發 智慧製造下一步在哪?

電子業產能供不應求 智慧製造如何達成產能最佳化?

台灣電子族群在大啖商機同時,現在也被產能追著跑。DIGITIMES攝

2021年「缺貨」成為產業關鍵字,疫情期間宅經濟、雲端需求本就噴發,如今全球經濟逐漸復甦,AI、5G、物聯網等新科技建置加速,以及各國積極推展電動車等,新需求自四面八方湧來,都使得相關零組件需求大幅成長,包括晶圓、面板及被動元件、載板等零組件供不應求,缺料、缺產能的情況持續擴散,產能供不應求已成定局,台灣電子族群在大啖商機同時,現在也被「還能拿到多少產能」追著跑。

業界形容,現在已經不是漲價搶產能的問題,而是漲價也拿不到貨。晶圓代工產能嚴重吃緊,IC業者表示,過去業界通常會到第3季末或第4季末才開始與晶圓代工廠討論隔年需要的產能,後續再滾動式調整需求。不過,現在產能供需非常緊張,已提前進入戰局,現在就在洽談明年的產能規劃。

全球晶片出現缺貨潮主要來自產能不足,晶片拉長交期,造成市場供不應求,因而「還有多少產能」,似乎成為近期產業最關注的焦點。由於現在產能塞爆,投資新設備也不見得可解燃眉之急,更遑論現在連設備也進入缺貨潮,產能短期內無法擴大,因此有的業者便將目光轉移到現有產能,想盡辦法,提高OEE,設法在夾縫中,盼盡可能將產能利用率拉到極限。

舉例來說,半導體產業變動快速,產品生命週期短,但每當有新產品導入時,工程人員最頭痛的往往就是會花很多時間進行參數調校,而這些需要監控或調控的參數可能多達上百甚至上千個,因此如何有效率地快速調整參數,催動產能,變成是各廠競爭的關鍵。

根據台灣人工智慧學校調查製造業產業需求,對於人工智慧解決製造業所面臨的共通挑戰中,其中之一就是設備參數的調控及最佳化。目前第一線實務多仰賴具有經驗的工程師花費許多時間及資源不斷調整,處理高維度資訊並不是人類專長,許多時候只能靠直覺、歸納與推論,但這正好是機器學習擅長的領域,透過學習設備參數、環境與生產條件及目標之間的關聯性,每當設備、環境、生產條件或目標有改變時,就可透過模型找出最佳參數,大幅縮短因試誤而浪費的時間及生產成本。

除此之外,當發現產品有問題,欲進行生產回溯找出前段製程影響生產品質的肇因時,亦能夠透過大數據分析的介入,藉由演算法先定義問題,從成千上百種涉及人、機、料、法、環等生產參數的條件下,依據關聯性快速篩選出可能影響生產品質的關鍵因子。這種做法旨在於縮小問題的範圍,改善過去工程師大海撈針式的方法,透過如搜尋引擎的方式,將可能影響品質的製程參數依據關聯性排序,因此工程師可在極短時間內釐清影響品質的肇因,這在過去工程師可能要在數千個站點中才能找到問題,但經過範圍的縮小,或許工程師只要針對前十個就能釐清問題,進而加快排錯的效率。

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: AI 產能 智慧製造